본 논문은 제한된 자원 환경에서의 확산 모델 배포에 대한 어려움을 해결하기 위해, 사후 학습 양자화(PTQ) 기법을 개선한 DMQ를 제안합니다. DMQ는 학습된 등가 스케일링(LES)과 채널별 2의 제곱 스케일링(PTS)을 결합하여 양자화 오류를 줄입니다. 특히, 초기 잡음 제거 단계의 중요성을 고려하여 적응적 시간 단계 가중치 부여 방식을 도입하고, 채널 간 분산이 큰 skip connection과 같은 계층에는 채널별 PTS를 적용합니다. 작은 보정 집합에서도 안정적인 PTS 계수 선택을 위해 투표 알고리즘을 사용합니다. 실험 결과, DMQ는 특히 W4A6 및 W4A8과 같은 낮은 비트 너비에서 기존 방법보다 우수한 성능을 보이며, 높은 이미지 생성 품질과 모델 안정성을 유지합니다. 소스 코드는 깃허브에서 공개됩니다.
